基于人工智能的现代重型车辆单次行程燃油消耗建模

在美国（USA），重型卡车约占燃油消耗的20%。重型车辆（HDV）的燃油经济性受到多种实际参数的影响，例如道路参数、驾驶员行为、天气条件和车辆参数等。尽管现代车辆符合排放法规，但发动机的潜在故障、正常磨损或其他因素可能会影响车辆性能。基于动态道路数据预测单次行程的燃油消耗有助于汽车工业降低道路测试的成本和时间。在了解输入参数的情况下，数据建模可以轻松帮助诊断油耗背后的原因。在本文中，应用人工神经网络（ANN）对现代重型卡车的燃油消耗进行建模，以便基于极少数关键参数（如发动机负荷（%）、发动机转速（rpm）和车速（km/h））预测单次行程的总油耗和瞬时油耗。瞬时油耗数据有助于预测油耗模式，以优化车队运营。在本研究中，用于建模的数据是在 West Virginia University Center for Alternative Fuels Engines and Emissions (WVU CAFEE) 使用便携式排放测试系统（PEMS）对现代重型车辆（HDV）进行道路测试期间以 1Hz 的频率采集的。人工神经网络的性能使用平均绝对误差（MAE）和均方根误差（RMSE）进行了评估。该模型利用从车辆道路行程中收集的数据进行了进一步评估。研究表明，人工神经网络的表现略优于线性回归（LR）和随机森林（RF）等其他机器学习技术，具有较高的决定系数（R2）和较低的均方根误差。